从物理转AI、战数据库，95后程序员的职业选择

【CSDN 编者按】这是一位95后程序员的自我思考之旅，关于为何放弃难得的保研与出国机会、为何离开看似最佳选择的大厂加入前途未知的创业公司、为何从如火如荼的AI领域转入数据库领域的故事。《新程序员004》带你走进刘继聪的程序人生。希望能给职业成长路上有些许迷茫与困惑的年轻程序员们一点启发。

作者 | 刘继聪

出品 | 《新程序员》编辑部

我叫刘继聪，是复旦大学2015级的学生，最初在自然科学试验班，分流进入物理系，然后转专业进入计算机系，也因转专业政策降了一级，于2020年毕业。我放弃了保研和出国的机会，进入阿里巴巴一年后，加入涛思数据。

刘继聪

在我短短三年的职业生涯中，先后辗转字节跳动（实习）、某创业公司（实习）、阿里巴巴、涛思数据。研究方向从NLP（自然语言处理）、ML（机器学习）转为DB（数据库）。本文是我对过去三年职业方向选择的回顾与复盘，希望你读过我曾经历的迷茫与困惑后，不会走上同样的弯路。

本文已收录《新程序员001-004》

菜鸟起航——从物理系转入计算机系

一个刚刚参加完高考的学生，不会很清楚大学设立的专业是做什么的，进入大学后可能会很难接受所选专业与预期的差距。因此，大二时我选择从物理系转入计算机系。

和计算机结缘，源于物理系的一个项目——实验室设备管理系统。当时，我负责Web与服务器相关的功能，因为无人指导，只能在网上找教程自学。我清晰地记得，当我用“世界上最好的语言”PHP写出第一版程序——一个LAMP架构的CRUD系统时的感受。随着项目的迭代，系统不断重构，前端后续换成了JavaScript，后端则换成了基于Python的Django。

与此同时，我选修了物理系的C++课程，这门课主要讲C++如何应用于计算和模拟方面。我人生中第一个较大的C++项目就是那门课的期末作业：用经典的蒙特卡洛方法，做伊辛模型（Ising model）的模拟。我做了一个命令行程序，只要输入不同的参数，就能够生成对应的模拟结果，并用OpenMP做并行的加速优化。后来我才发现由于数据依赖，我写的并行程序比串行程序慢几倍。

我觉得写代码非常有意思，或许比在物理实验室修设备更有趣，于是，顶着降级的代价，我转入了计算机系。很快我发现，即使我自认为已经写过很多代码，但也一度被各路大神虐得体无完肤。

我所在的拔尖班大部分同学都在ACM队，而数据结构课的老师是复旦大学ACM队教练。整个课程体系非常竞赛化，每周都会用OJ（在线判题系统）测试，OJ类似于LeetCode，但区别在于，它只显示答案错了，却不告知产生错误的输入数据。因此，调试就完全靠猜。开始时，我在测试中一分都拿不到，每周光是完成作业就几乎花掉我所有时间。为了获得更好的测试成绩，有很多次，我都坐在通宵自习室写代码，直到天亮。渐渐地，我能够在每周的OJ测试中拿到满分，期末拿到A。在刚转入计算机系最痛苦的第一学年，我的绩点便拿到全系第一。

后来，我在复旦获得各种各样的奖项：一等、二等、三175等奖学金，以及数模竞赛和物理学术竞赛的国家一等奖和上海市一等奖，还有泛海学者、优秀学生等荣誉（见图1）。从自我怀疑、焦虑不安变得坚定、自信。如今想来，我认为那门数据结构课程是一个台阶，拼尽全力再上一层，才能看到别样风景。也正是这段竭尽全力刷算法题的经历，使我在几乎零准备的情况下进入字节跳动实习，并拿到了各个互联网大厂的秋招Offer。

图1 在复旦大学所获奖项与荣誉

在计算机系的选修课中，我接触到了更广阔的计算机世界与更深入的知识，也做了很多有趣的项目。

比如，数据库课程的期末项目与PostgreSQL有关，要求利用PostgreSQL的框架，实现两个UDF函数，计算字符串的Levenshetein Distance和Jaccard Distance，并且尽可能优化执行效率。通常，优化无非是降低算法复杂度、常数优化。助教提醒我们把PostgreSQL的嵌套循环连接改成块嵌套循环连接，显然这是附加题，且难度较大，很少有同学去做。临近期末季，即使项目完成得再好，也不会比其他人的成绩好多少，而将时间完全投入复习，争取考试拿高分才是更有性价比的选择。不过，在我看来，做项目比复习有意思。在期末考试前的那个周末，我将全部时间投入项目中，看着评测的执行时间从十几秒优化到一秒内，过程中的收获，远比期末的成绩A更重要。

此外，我还选修了分布式系统、数据挖掘、密码学原理，甚至是这辈子都可能不会再用到的信息安全原理、计算理论基础等课程。同时，我和同学组队做了很多有趣的项目，部署Hadoop和Hive、分析不同任务中的性能瓶颈、使用Spark进行分布式计算等等。很多项目，如LZMA压缩算法、Hive的性能分析实验、SVM的实现与收敛分析等，都让我觉得分外有趣。

职业选择——从AI到DB

除了上课，计算机学生的另一条主线是科研与实习。

进入计算机系的拔尖班后，要求选导师、进实验室，由于当时的主流是AI，复旦大学的NLP实验室很强，于是我就加入了NLP实验室。在实验室异常拥挤，本科生一座难求的情况下，稀里糊涂过了一年。当时我想去校外看看工业界都在做什么。

大三时我在字节跳动的AI Lab实习。适逢BERT以横扫六合之势，刷新了NLP众多Task的SOTA（State Of The Art，最高水平），我们基于BERT做中文错别字检测工作，该项目后来发表于ACL会议。

改模型的工作不够有趣，在进入大四前那个暑假，我进入香港科技大学交流，跟着导师研究GAN（Generative Adversarial Networks，生成对抗网络）。虽然我在AI领域学习的导师都是业界、学术界的知名专家，但我却没能产出亮眼的成果，以至于我现在都不敢提他们的名字。

机缘巧合下，一位做数据库的同学引领我接触到另一个领域——Data Infra（数据基础设施）。作为TiDB的贡献者，他也带着我进入TiDB社区做贡献。彼时，我开始系统性地学习分布式系统和数据库，成为开源社区的贡献者，并萌生了去做数据库，更准确地说，去做Data Infra的想法。

临近毕业季，摆在我面前的路有三条：保研升学、参加工作、出国深造。由于保研外校需要参加夏令营（而当时我正在香港科技大学交流），本校又没有特别合适的导师，我便放弃保研，去追秋招的末班车。出国留学是我给自己的后路，因为我有科研经历，能拿到推荐信，英语也不成问题。但出乎我意料的是，秋招非常顺利，我拿到了所有面试公司的Offer，其中既有阿里巴巴、腾讯这类大型企业，也有PingCAP这类创业公司。

在某互联网大厂的终面中，我遇到了一位同样复旦毕业、工作十多年的学长。当我透露出想做数据库的意向时，他反问我：“年轻人都想去做些有技术挑战的事情，我当年也是。但去创业公司做数据库，你真的想好了吗？未来好几年，你可能都比在互联网大厂做业务的同学薪资低，同时还要承担更多不确定的风险，你能接受吗？”

最终，我选择了阿里云，从事基础架构的工作。

秋招结束后，距离毕业和正式入职还有好几个月的时间，我了解到一位学长在某创业公司做技术负责人，便去做了实习生。在那里，我第一次用Go写微服务，第一次接触生产环境中的真正运行的Kubernetes，第一次用C++写TensorFlow……这段经历，也让我对创业公司留下好感，至少不输互联网大厂。

疫情在那个冬天爆发，无法返校，毕业时也只和部分同学匆匆相聚又相别。上海到杭州不过49分钟动车车程，恰如从学生到职场人的转变，快得令人猝不及防。下一站，杭州阿里。

第一份正式工作——阿里巴巴

或许是得益于我之前还算丰富的实习经历，又或许是我在学生时代做了很多有挑战的课程项目，使我很快适应了新的环境，上手了新的工作内容。在入职首月，就解决了一个困扰组内技术专家半年之久的问题。

背景是这样的，当时我们的监控系统探针直接安装在客户的ECS（阿里云服务器）上，客户可能会购买很多ECS，组成集群。我们需要抓取集群内的网络拓扑关系如TCP连接，然后绘制成可视化的拓扑图。该过程相比一般的分布式微服务追踪，难点在于：  

• 不对客户的技术栈做假设，Java、Python、PHP都有可能；

• 要做无侵入式，不希望用户改代码； 

• 要适配Kubernetes、非Kubernetes及各种Linux内核版本。

彼时已经实现的技术方案有根本缺陷，是通过轮询/proc目录下的TCP文件来做的，但问题是，采用轮询方式只能抓取此刻正存在的连接，如果连接是不断发起并立刻释放，那么，轮询方式无法保证抓取全量数据。解决该问题最好的方法是用eBPF，而eBPF是相对新的技术，只有在较新版本的Linux内核中才能得到良好支持。据当时的统计数据，绝大多数客户的技术环境都不能良好支持eBPF。

当我加入后，了解到这个问题已经困扰大家许久，我花了一周业余时间做调研，发现有一个内核模块—auditd，可以较好地解决这个问题。

auditd是一个比较轻量级的内核Log模块，能够在很旧的内核版本中运行，可以对所有的监控系统进行调用，并打出Log。那几天，我的业余时间都在做新方案的Demo。如我所料，它确实可以实现我们要的功能。后来，我又花了几周时间调试，真正将Demo转变成一个生产环境中可用的产品，并将其上线。正因此，我在转正时得到了极好的评价：“确实超出预期了，没想过让他做这件事”。

此外，我每天晚上都会花费大量时间阅读组里的代码，入职第三个月时，我已经可以画出组里系统的架构图，给入职的新人讲解各个模块的划分及其相互关系。入职第六个月，我已经阅读了权限范围内的几乎所有代码。后续随着组织架构的变动，我开始成为一些项目的Owner。

当然，我也遇到过一些不大不小的挑战。比如：对于Java Agent，为了在premain模式下实现字段和方法的添加与删除，我用ByteBuddy写了一套注入工具替换原本的JVM-Sandbox。与此同时，我开始对软件工程和云有了更深的认知，也对基础架构的理解更加深刻——同样被称作基础架构，但工作内容可能天差地别。

如果把云上的众多服务以平台侧和管控侧作划分：平台侧相当于提供云上数据库、消息队列等服务，部署形式对用户可以完全透明，用户可仅以API的方式调用；管控侧的典型特点是侵入性，例如探针，需要将服务安装到用户的环境中。我所在的工作组，工作内容便属于后者，管控侧的麻烦在于适配用户各种各样复杂的环境，其自身的核心能力、技术难度与挑战都明显弱于平台侧。因此，我发现自己进步的速度也渐趋缓慢，组里业务的发展状况也不如人意。

岁末、春节，疫情仍在持续，在那个冬天，我没能回家。

杭州开放了很多免费娱乐，给这个冬日带来了一丝暖意，可我无心玩乐。尽管在这份工作中取得了不错的个人成绩，但我确信一定会离开这里，这一次，我必须确定目标、规划未来。

春节后，我开始和公司内部的不同团队接触，结果却让我失望。很多我以为做着内核研发的部门实际上只做管控和写控制台；还有一些内核部门，工作范围太小；至于其余部门，则并不欢迎校招新人转岗。与此同时，我看到Data Infra的环境正在悄然改变。一些令人振奋的声音传到了我的耳朵里：

•   “所有人都看好DoorDash这些明星Pre-IPO，而Snowflake这类公司当时招人都挺困难，但那些进去的人后来发现他们的收益远远超过了其他人……” 

• “Snowflake的发行价已经上调了，上市当天就暴涨了超过100%……” 

• “Snowflake的数据确实好，它的NRR是173%，也就是说假设一个用户去年在Snowflake上花费了1美元，那么今年他将平均花费1.73美元……” 

• “Confluent上市、Databricks大额融资……”

这时，我才发现：去创业公司做数据库，已经不再是一件需要靠情怀去支撑的事。随着这个行业内热钱的涌入，有前途的创业公司会获得大额融资，更关键的是，对于这类技术公司，人才是核心的投入与资产，因此，他们愿意花钱，也有充足的资金和大厂抢人。确定大方向后，我又花了一些时间做调研，以找到更具体的目标。

期间，我也在积极地准备面试。一方面，我开始系统性地研究基于LSM Tree的存储引擎，完整阅读LevelDB的代码，阅读部分RocksDB的源码，并对比、分析MergeTree、WiredTiger等存储引擎；另一方面，研究Lock Free与Wait Free等算法，学习Hazard Pointer、RCU等技术，阅读Folly中MPMCQueue的实现。我将学习内容以及过往在数据库领域的经历都写入简历，作为面试的敲门砖。

最终，我敲定首选目标——做时序数据库TDengine的涛思数据。

首先，TDengine是开源产品，我已经多次看到TDengine登上GitHub Trending榜，我能够从代码及其运行直接判断它是否有真材实料；其次，通用OLAP数据库虽然被炒得火热，但竞争也非常激烈，或许不如从细分赛道入手，而在细分赛道中，时序数据库与图数据库的增长最为迅速，我相信IoT设备会持续不断地增长，产出越来越多的数据，我看好它的前景；再次，涛思数据的招聘页上醒目地写着“超越BAT的薪资”，我认同这样的人才观，愿景与待遇缺一不可，如此才能招聘到最优秀的人才；最后，面试本质是双向选择的过程，我需要充分利用面试的机会了解未来TDengine还要做哪些事、有哪些挑战，如果这个产品被认为已趋成熟、只能做些小修小改，那不是我想要的。

新的征程——涛思数据

从杭州搬到北京，我与涛思数据的故事从2021年7月拉开帷幕。数据库内核的研发工作我很快上手，并在转正后的首次季度总结中拿到了“最佳新人奖”（见图2）。

图2 涛思数据“最佳新人奖”

现在，我在涛思数据负责流式计算引擎的研发。TDengine 2.0中提供了连续查询的能力，它本质是一个时间驱动的批处理，无法处理乱序数据的问题，且性能消耗很大。我的目标是为现有的TDengine实现一个真正的流式计算引擎，挑战之大远远超乎此前所有的工作与项目。

我一边系统性地学习流式计算中的Exactly Once Message Processing、分布式快照等容错理论，一边研究Kafka、Flink的源码与实现机制，并跟踪SIGMOD、VLDB、ICDE等大会中相关研究的最新进展，了解Railgun、Hazalcast Jet、Ray Streaming等新引擎的设计，同时关注着Decodable等流式ETL工具和Materialize、KsqlDB这类流式数据库的产品形态与定义。我必须关注前沿工作与数据库领域中的新玩家，因为我不希望做一个在设计之初就落后于时代的产品。

若想TDengine成为流式计算的源，我需要将其改造成一个可重放、可确认的源，类似于Kafka的消息队列，能够高效定位指定的记录、并确认消费记录位点，这比起用Raft Learner异步复制出Change Log的方案要复杂、完善得多。接着，我会改造现有的查询引擎，使其能够在隔离的资源环境中持续运行，并持续接收上游源发送出的数据进行实时增量计算，变成一个流式计算引擎。以一套执行引擎来融合OLAP的查询与流式计算，我会用代码来践行我的想法，也期待焕然一新的流式计算引擎面世。

未完的故事

正如我刚起步的职业生涯，我的故事也才刚刚开始，远未完结，本文或许是一个阶段性的总结。

在我的成长过程中，在我迷茫与挫折时，得到了很多人的帮助。他们有的帮我找到了新方向与道路，有的让我有勇气和决心接受新挑战。因此，我也愿意分享我的经历。不管是在AI领域的曲折，还是在工程领域的相对顺利，以及在我面对选择时的思考与决策，都希望能给你一些启示与帮助。

比起盲目的闷头苦干，我更相信正确的选择对人生和职业有更大的影响。本文复盘了我职业生涯中几个至关重要的选择：从物理系转入计算机系；从研究AI转做Data Infra；从放弃保研与出国到加入阿里巴巴，再到离开阿里巴巴加入涛思数据。

得益于那些充满挑战的课程与项目，为我打下了坚实的技术基础与算法功底，使我有了选择的权利，让我能够快速进入想去的领域。而花费大量时间在多个不同领域中探索，也让我有所得、有所失。我赞同图灵奖得主John Hopcroft的观点：“我不认为本科生做研究是一种好的经历。我不鼓励他们这样做，除非他们想要继续深造，去大学攻读博士学位，那么他们最好发表过论文。但这是不幸的。”

借用强化学习理论，这是一个exploration（探究）与exploitation（利用）的dilemma（两难困境）：如果你想利用本科短短几年的时间在某个方向做出好的研究，那么你就要牺牲exploitation，提前开始exploration的过程，而过早的exploration可能陷入局部最优无法逃脱，当某天你意识到这一点，想要调整参数，那时想逃出这样的局部最优又会带来极高的沉没成本。

某种程度上，我庆幸自己没有在物理或AI这些路上走到尽头才想起转身，而是找到了更适合我的方向，让我能做更喜欢的工作。另外，虽然学习、科研与实习是主线，但我也“浪费”了很多时间来享受大学生活中“自由而无用”的快乐。在陷入死胡同时，是很难靠自我力量走出来的，而我有一帮很好的朋友，他们在我迷茫与困惑时让我看到新的方向、给我帮助与力量，这是我大学生活中绝不后悔的一部分。

以上，就是献给和我一样迷茫、困惑的年轻人们的肺腑之言。

---

作者介绍：

刘继聪，TDengine研发工程师，毕业于复旦大学，曾就职于阿里云。目前正在为TDengine 3.0设计并实现全新的分布式消息队列与流式计算引擎。

END

《新程序员001-004》全面上市，对话世界级大师，报道中国IT行业创新创造

— 推荐阅读 —

☞字节迎来新 CFO，或重启上市；马斯克以 440 亿美元收购 Twitter；FFmpeg 支持 JPEG-XL|极客头条
☞基础能力、分布式能力、系统应用…OpenHarmony 3.1 Release 版本带来全方位升级
☞50 岁的 C 语言，掌控 Windows、Linux、macOS 等操作系统半边天！

—点这里↓↓↓记得关注标星哦~— 

一键三连 「分享」「点赞」「在看」

成就一亿技术人